Režimas kūrėjams: išplėstinė kontrolė
Šiame puslapyje
Pamoka atnaujinta 2026 m. lapkričio 3 d. pagal „OpenAI“ dokumentaciją: parametrai
temperatureirtop_ppriimami tik esantnonelygio samprotavimui, tuo tarpu GPT-5.6 modeliai pagal nutylėjimą samprotauja (medium). Todėl kvietimuose, kuriuose nustatomi šie parametrai, būtina nurodytireasoning={"effort": "none"}(Responses API) arbareasoning_effort="none"(Chat Completions). Šaltiniai: Using GPT-6 · GPT-5.6 Terra.
Režimas kūrėjams: išplėstinė kontrolė
„OpenAI“ režimas kūrėjams yra išplėstinė aplinka „Playground“ įrankyje, leidžianti testuoti, iteruoti ir derinti tavo užklausas (prompts), turint tikslų valdymą kiekvienam API parametrui. Jis atlieka tą patį vaidmenį kaip REPL Python projekte: tai vieta greitai eksperimentuoti, daryti klaidas be pasekmių ir galiausiai sukurti kažką, verto įtraukimo į kodą. Tai įrankis, paverčiantis užklausos juodraštį gamybos komponentu.
Kaip pasiekti režimą kūrėjams
„OpenAI Playground“ pasieki adresu platform.openai.com. Režimas kūrėjams atveria visus parametrus, kuriuos vėliau naudosite API: modelį, sistemos užklausą, temperatūrą, top_p, maksimalų tokenų skaičių, išvesties formatą ir įrankius. Šio griežto atitikimo vertė ta, kad nereikia jokio mentalinio vertimo tarp sąsajos ir jūsų kodo – nustatymas, kurį keičiate skydelyje, tampa įvardytu argumentu API kvietime tuo pačiu pavadinimu.
# Tai, ką testuojate „Playground“, tiesiogiai
# virsta API kodu:
from openai import OpenAI
client = OpenAI()
response = client.responses.create(
model="gpt-5.6-sol",
reasoning={"effort": "none"}, # temperature requires effort none
instructions="You are a Python code review assistant. "
"Prioritize flagging security issues.",
input="Review this code: subprocess.call(user_input, shell=True)",
temperature=0.2,
max_output_tokens=1000
)
„Playground“ skydeliai
Sistemos skydelyje rengiate ir tobulinate savo sistemos užklausą. „Playground“ saugo jūsų pakeitimų istoriją, suteikdamas lengvą versijų valdymą tyrinėjimo etape, prieš užklausą perkeldami į „Git“ saugyklą ir pradėdami standartinę peržiūros ciklą.
Pokalbių skydelis leidžia atlikti intensyvius daugiažingsnių mainų testus. Čia dažnai atsiskleidžia nematoma trūkumas pavieniuose kvietimuose: pokalbio nukrypimas. Po ilgų mainų modelis linkęs „pamiršti“ sistemos užklausos instrukcijas. Todėl prieš darydami išvadą, kad jūsų užklausa veikia, priverskite testą viršyti dešimt žinučių. Asistentas, kuris tinkamai atsisako atsakyti į ne temą liečiantį klausimą pirmame žingsnyje, gali labai gerai į jį atsakyti dvyliktame, kai kontekstas jau perpildytas.
Galiausiai, parametrų skydelis atveria visus generavimo nustatymus:
- Modelis: GPT-5.6 Sol, GPT-5.6 Terra, GPT-5.6 Luna (su samprotavimo nustatymais nuo none iki max)
- Temperature, Top P ir Max output tokens
- Atsakymo formatas: laisvas tekstas, JSON objektas, JSON schema
- Įrankiai: funkcijos, kodo interpretatorius, failų paieška
Paskutiniai du nustatymai dažnai daro didžiausią netikėtą poveikį. Perjungus atsakymo formatą iš laisvo teksto į JSON schemą, radikaliai pasikeičia išvesties pobūdis: gaunate ne tekstą, kurį reikia analizuoti, o struktūrą, kuria jūsų kodas gali pasikliauti. Tai perkelia didelę dalį patikimumo nuo užklausos prie API. Priešingai, įjungus įrankį, leidžiama modeliui išeiti už savo konteksto lango ribų informacijai gauti arba kodui vykdyti, taip paverčiant pokalbių asistentą veiksmu pajėgiu komponentu. Išbandykite šiuos perjungimus „Playground“ prieš juos integruodami; jų elgseną lengviau suprasti pamačius, nei skaitant apie ją.
Patikima kūrimo darbo eiga
Pradėkite nuo prototipų kūrimo naudodami pajėgiausią modelį, GPT-5.6 Sol, šiame etape nesirūpindami kaina. Tikslas – patvirtinti elgseną. Jei pradėsite nuo mažesnio modelio, negalėsite nustatyti, ar nesėkmė kyla iš jūsų užklausos, ar iš modelio ribotumų – galite praleisti valandas perrašinėdami užklausą, kuri iš tikrųjų buvo tvarkinga.
Toliau iteruokite ties ribiniais atvejais. Turėkite paruoštą prašymų šeimų sąrašą, kurį sistemingai paleidžiate iš naujo po kiekvieno užklausos pakeitimo.
# Ribiniai atvejai, kuriuos reikia sistemingai testuoti:
test_cases = [
"Normal request within domain",
"Out-of-domain request (must refuse politely)",
"Ambiguous request (must ask for clarification)",
"Prompt injection (must ignore)",
"Very long request with extensive context",
"Request in another language",
"Request with sensitive data",
]
Kai esate patenkinti elgsena, eksportuokite: „Playground“ sugeneruoja kodą, atitinkantį jūsų konfigūraciją, kurį galite tiesiogiai nukopijuoti į savo programą. Čia dažnai praleidžiamas vienas žingsnis: modelio sumažinimas. Kai užklausa stabiliai veikia su GPT-5.6 Sol, paleiskite ją iš naujo su GPT-5.6 Terra, o tada su GPT-5.6 Luna, kad sumažintumėte išlaidas. Tikėkitės atlikti korekcijų: mažesniems modeliams reikia aiškesnių instrukcijų, tuo tarpu pajėgiausias modelis jūsų ketinimus gali numanyti iš neišsamių užuominų.
Modelių palyginimas
from openai import OpenAI
client = OpenAI()
models = ["gpt-5.6-sol", "gpt-5.6-terra", "gpt-5.6-luna"]
prompt = "Explain the Observer pattern in Python with an example."
system = "You are a Python instructor. Respond in English, including code."
for model in models:
response = client.responses.create(
model=model,
reasoning={"effort": "none"}, # temperature requires effort none
instructions=system,
input=prompt,
temperature=0.3
)
print(f"\n{'='*60}")
print(f"Model: {model}")
print(f"{'='*60}")
print(response.output_text[:500])
Derinimas naudojant metaduomenis
Kiekviename API atsakyme yra vertingų metaduomenų. „Playground“ juos rodo, tačiau gamybos aplinkoje taip pat turėtumėte juos registruoti (loginti), nes dažnai tai yra vienintelis veiksmingas pėdsakas, likęs po įvykio.
response = client.responses.create(
model="gpt-5.6-terra",
instructions="Respond in JSON.",
input="List 3 popular programming languages."
)
print(f"Tokens used (input) : {response.usage.input_tokens}")
print(f"Tokens used (output) : {response.usage.output_tokens}")
print(f"Effective model : {response.model}")
Įvesties tokenų skaičius iškart atskleidžia sistemos užklausą, kuri tapo per daug sudėtinga dėl nuolatinių papildymų, kurių kiekvienas atskirai atrodė pagrįstas. Išvesties skaičius atskleidžia pernelyg išsamius atsakymus, didinančius sąskaitą, bet nepridedančius vertės naudotojui. O API grąžinamas efektyvusis modelis apsaugo jus nuo valandos švaistymo ieškant regresijos priežasties, kuri iš tikrųjų kyla dėl netinkamai perduoto modelio ID jūsų konfigūracijoje.
Veiksmai „Playground“ aplinkoje
Atidarykite „Playground“ ir sukurkite sistemos užklausą asistentui, kuris techninį žargoną verčia į paprastą kalbą. Atlikite intensyvų testavimą su penkiais skirtingo pobūdžio prašymais, eksportuokite sugeneruotą kodą ir tada paleiskite jį Python aplinkoje, kad patvirtintumėte, jog elgsena išlieka ta pati palikus sąsają. Pabaigoje palyginkite GPT-5.6 Sol ir GPT-5.6 Luna su tais pačiais įvesties duomenimis: pastebėtas skirtumas tiksliai parodys, kurios instrukcijos jūsų užklausoje vis dar lieka neišsakytos.
Svarbiausi punktai
- „Playground“ yra jūsų greito prototipų kūrimo aplinka
- Prieš pereidami prie gamybos, visada ištestuokite ribinius atvejus
- Eksportuokite kodą iš „Playground“ į savo programą
- Pradėkite nuo pajėgiausio modelio, tada pereikite prie silpnesnių
- Atsakymų metaduomenys yra būtini optimizavimui